Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron | Irfan | IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) 18260 67683 1 PB
IJEIS, Vol.7, No.2, October 2017, pp. 139~148
ISSN: 2088-3714
139
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra
Digital dengan Metode Multilayer Perceptron
Muhammad Irfan*1, Bakhtiar Alldino Ardi Sumbodo2 , Ika Candradewi3
Program Studi Elektronika dan Instrumentasi, FMIPA UGM, Yogyakarta, Indonesia
2,3
Departemen Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta, Indonesia
e-mail: *1ipan.elins12@gmail.com, 2b.alldino.as@ugm.ac.id, 3ika.candradewi@gmail.com
1
Abstrak
Perkembangan video sensor dan hardware dapat digunakan dalam pengembangan
sistem pemantauan lalu lintas berbasis vision. Karena dapat menyediakan informasi seputar
kendaraan yang melintas agar pemantuan dengan memanfaatkan kamera dapat dilakukan
secara otomatis. Dibutuhkan sistem pengolahan yang dapat memberikan beberapa informasi
terkait kondisi lalu lintas. Salah satu pendekatannya adalah memanfaatkan pengolahan citra
digital.
Penelitian ini terdiri dari 2 tahapan pengolahan citra digital yaitu proses deteksi dan
klasifikasi. Proses deteksi menggunakan Haar Cascade classifier dengan data training berupa
citra kendaraan dan data uji berupa citra keadaan di jalan tol yang diambil secara acak.
Sementara, proses klasifikasi menggunakan Multilayer Perceptron dengan memanfaatkan hasil
dari deteksi yang diproses. Klasifikasi kendaraannya di bagi menjadi 3 tipe kendaraan yaitu
Mobil, Bus, dan Truk. Lalu klasifikasi dievaluasi dengan parameter accuracy.
Hasil pengujian dalam proses deteksi kendaraan menunjukkan accuracy sebesar 92,67%.
Sementara itu, proses klasifikasi dilakukan dengan tahap trial and error untuk mengevaluasi
parameter yang telah ditentukan. Hasil penelitian menunjukkan sistem klasifikasi memiliki ratarata nilai accuracy sebesar 87,60%.
Kata kunci— Kendaraan, Deteksi, Haar, Cascade, Klasifikasi, MLP
Abstract
The evolution of video sensors and hardware can be used for developing traffic
monitoring system vision based. It can provide information about vehicle passing by utilizing
the camera, so that monitoring can be done automatically. It is needed for the processing
systems to provide some information regarding traffic conditions. One such approach is to
utilize digital image processing.
This research consisted of two phases image processing, namely the process of
detection and classification. The process of detection using Haar Cascade Classifier with the
training data image form the vehicle and data test form the image state of toll road drawn at
random. While, Multilayer Perceptron classification process uses by utilizing the result of the
detection process. Vehicle classification is divided into three types, namely car, bus and truck.
Then the classification parameters were evaluated by accuracy.
The test results vehicle detection indicate the value of accuracy is 92.67. Meanwhile,
the classification process is done with phase trial and error to evaluate the parameters that
have been determined. Results of the study show the classification system has an average value
of the accuracy is 87.60%.
Keywords— Vehicle, Detection, Haar, Cascade, Classification, MLP
Received January 23th,2017; Revised February 27th, 2017; Accepted October 30th, 2017
140
ISSN: 2088-3714
1. PENDAHULUAN
P
erkembangan video sensor dan hardware pada pemrosesan video membuka peluang besar
bagi pengembangan teknologi sistem pemantauan lalu lintas berbasis vision, karena mampu
menyediakan informasi yang lebih detail untuk kebutuhan analisis[1]. Informasi yang
didapatkan bisa digunakan untuk memecahkan permasalahan yang biasa kita hadapi dijalan
seperti macet atau penumpukkan kendaraan. Berbagai cara telah dilakukan, contohnya dengan
menggunakan magnetic loop detector dan radar sebagai alat pemantuan lalu lintas, akan tetapi
alat ini memiliki keterbatasan [2].
Oleh karena itu dibutuhkan sistem yang mampu untuk mengatasi kondisi-kondisi
tersebut salah satunya dengan mengembangkan teknologi Area Traffic Control System (ATCS),
tujuan dari penerapan ATCS ini adalah untuk mempermudah kerja manusia dalam mengatur
lalu lintas pada setiap jalur yang ada dan dapat meminimalisir masalah human error dalam
pengaturan lalu lintas [3]. ATCS yang disinkronkan dengan kamera yang ada di jalan-jalan
dapat membantu pemantauan lalu lintas. Memanfaatkan kamera tersebut secara otomatis agar
dapat memberikan beberapa informasi seputar kondisi lalu lintas di jalan [4]. Salah satu
pendekatannya adalah memanfaatkan pengolahan citra digital. Pengolahan citra digital adalah
ilmu pemrograman computer untuk memproses dan akhirnya memahami gambar dan video atau
membuat computer dapat melihat [5].
Pemantauan lalu lintas yang serba otomatis harus melewati beberapa tahapan, seperti
deteksi dan klasifikasi. Deteksi obyek dalam pengolahan citra digital adalah suatu proses yang
digunakan untuk menentukan keberadaan obyek tertentu di dalam suatu citra digital [6].
Pendeteksian benda yang dikembangkan saat ini berdasarkan jenis suatu obyek [7]. Proses
pendeteksian ini berfungsi untuk membedakan kendaraan dan non kendaraan dalam satu citra,
yang hasilnya nanti akan digunakan untuk proses klasifikasi. Penelitinan ini bertujuan untuk
mengimplementasikan pengolahan citra digital untuk membuat sebuah sistem yang mampu
mengklasifikasi kendaraan, berdasarkan jenisnya.
2. METODE PENELITIAN
2. 1 Analisis Sistem
Rancangan sistem menggunakan perangkat lunak (software) dengan pengolahan citra
berdasarkan library OpenCV. Perancangan sistem ini menggunakan metode Haar cascade
dalam mendeteksi obyek dan menggunakan Multilayer Perceptron untuk klasifikasinya.
Haar Cascade Classifier ini memiliki kelebihan yaitu komputasinya sangat cepat, karena
hanya bergantung pada jumlah pixel dalam persegi dengan nilai dari sebuah gambar [8].
Metode ini merupakan metode yang menggunaan statistical model (classifier). Ada beberapa
langkah pendekatan untuk mendeteksi obyek, yaitu :
a. Training data.
b. Fitur segi empat sederhana yang disebut fitur haar.
c. Integral image untuk pendeteksian fitur secara tepat.
d. Pengklasifikasian bertingkat (Cascade Classifier).
Lalu dalam proses klasifikasinya, sistem menggunakan Local Binary Pattern. Local
Binary Pattern atau LBP adalah teknik ekstraksi fitur berbasis pada analisis tekstur
mentransformasikan sebuah citra kedalam table statistic integer, menggunakan komputasi mean
efisien[9]. Dilanjutkan dengan proses pelatihan Multilayer Perceptron, Multilayer Perceptron
adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan
oleh bobot-bobot penghubung neuron-neuron tersebut disusun dalam lapisan-lapisan yang
terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer),
dan satu lapisan output (output layer) [10]. Lapisan input menerima sinyal dari luar, kemudian
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
141
melewatkannya ke lapisan tersembunyi pertama yang akan diteruskan sehingga akhirnya
mencapai lapisan output. Penulis menggunakan metode tersebut dikarenakan ingin mencoba
apakah Haar Cascade dan Multilayer Perceptron menjadi salah satu pilihan metode yang
akurasinya baik untuk mendeteksi dan mengklasifikasi. Secara keseluruhan, blok diagram
sistem dapat dilihat pada Gambar 1.
Gambar 1 Diagram blok sistem keseluruhan
Pada blok diagram sistem Gambar 1 didapatkan alur sistem yaitu pertama citra
kendaraan diambil dari video lalu lintas yang ada di jalan tol, lalu diproses menjadi kumpulankumpulan gambar yang digunakan untuk dataset dan frame pengujian. Lalu citra akan melewati
tahap pre-processing berupa perbaikan kualitas citra. Setelah itu citra akan masuk taha ekstraksi
ciri untuk membedakan kendaran dan non kendaraan dengan menggunakan metode Haar
cascade clasiffier. Dilanjutkan dengan tahap deteksi, sistem akan melakukan pelatihan dan
pengujian untuk mendapatkan hasil deteksi berupa kendaraan. Setelah didapatkan hasil dari
proses deteksi citra akan memasuki proses klasifikasi kendaraan, dimana kendaraan akan dibagi
menjadi 3 jenis yaitu (mobil, bus, truk), karena sistem ini dirancang untuk mengelompokkan
ketiga jenis kendaraan tersebut sesuai jenisnya.
2. 2 Rancangan Arsitektur Sistem
Penulisan ini dirancang dengan usulan penulis menjadi 2 tahap yaitu proses pelatihan
(training) dan pengujian (testing) untuk masing-masing tahap deteksi dan tahap klasifikasi.
2. 2.1 Rancangan Sistem Deteksi
Proses deteksi menggunakan metode Haar features untuk ekstraksi ciri dan Cascade
Classifier untuk membedakan kendaraan dan yang bukan kendaraan. Sebelum proses deteksi
dapat dilakukan, terlebih dahulu dilakukan tahap pelatihan/training untuk membentuk
pemodelan antara kendaraan dan yang bukan kendaraan. Proses pelatihan ini dimulai dari
pengelompokan kendaraan dan yang bukan kendaraan. Jika sudah dikelompokkan maka ada dua
kelompok besar, sebut saja positif (kendaraan) dan negatif (bukan kendaraan). Setelah itu proses
berlanjut ke proses mendapatkan ekstraksi ciri dari citra positif dan negatif yang kemudian
disimpan dalam format file XML. Proses deteksi akan ditunjukkan pada Gambar 2.
Lalu dilanjutkan dengan perancangan sistem selanjutnya, yaitu tahap deteksi pengujian.
Pengujian ini dilakukan pada sistem dengan menggunakan citra frame kendaraan yang berada
dijalan tol dengan tujuan mendeteksi kendaraan yang ada didalam frame tersebut. Berawal dari
proses pre-processing yang kemudian citra frame tersebut di prediksi dengan membandingkan
pemodelan yang sudah ada. Dengan menggunakan algoritma detectmultiscale, sistem akan
mulai untuk mendeteksi kendaraan. Jika sistem mengenali obyek tersebut kendaraan, maka
obyek akan di rectangle. Sistem akan memulai pengenalan pada area yang telah ditentukan.
Citra yang terdeteksi, kemudian dicrop dan disimpan kedalam direktori file sebagai hasil dari
sistem deteksi tahap pengujian. Tahap pengujian deteksi dapat dilakukan dengan diagram alir
seperti pada Gambar 3.
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
142
ISSN: 2088-3714
Gambar 2 Diagram alir deteksi tahap pelatihan
Gambar 3 Diagram alir sistem deteksi tahap pengujian
2. 2.2 Rancangan Sistem Klasifikasi
Klasifikasi dalam sistem ini menggunakan metode Multilayer Perceptron (MLP).
Metode ini akan mengelompokkan tiga jenis kendaraan (mobil, bus, truk). Sebelum proses
klasifikasi dapat dilakukan, sistem akan melewati proses ekstraksi ciri citra dataset (3 jenis
kendaraan) menggunakan fitur local binary pattern (LBP) setelah didapatkan tiga ciri tersebut
dilanjutkan dengan melabeli dan training dataset menggunakan MLP untuk membentuk
pemodelan. Tahap pelatihan klasifikasi dapat dilakukan dengan tahapan seperti pada Gambar 4.
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
143
Gambar 4 Diagram alir pelatihan klasifikasi
Bentuk pemodelan tahap pelatihan klasifikasi berupa format XML file yang disimpan
kedalam direktori untuk digunakan sebagai pembanding pada tahap pengujian klasifikasi.
Proses training dan pengujian MLP dilakukan dengan menggunakan citra yang terlebih dahulu
dipisahkan, dimana proses pengujian pada MLP dilakukan dengan citra yang sebelumnya
tidak dijumpai oleh MLP pada proses training untuk melihat tingkat kemampuan sistem
klasifikasi. Sistem pengujian memproses citra cropping untuk mendapatkan ciri-ciri dari citra
dan kemudian dibandingkan dengan pemodelan MLP yang sudah tersimpan dari tahap pelatihan
klasifikasi. Setelah itu sistem memprediksi setiap citra cropping untuk dikelompokkan ke dalam
salah satu kelas kendaraan (mobil, bus, truk). Tahap pengujian menggunakan MLP dapat
dilakukan dengan tahapan seperti pada Gambar 5.
Gambar 5 Diagram alir sistem klasifikasi tahap pengujian
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
144
ISSN: 2088-3714
3. HASIL DAN PEMBAHASAN
Pada bab ini akan dibahas mengenai hasil dari pengujian sistem serta pembahasannya.
Secara garis besar dibagi menjadi dua bagian yaitu pengujian pendeteksian dan pengujian
klasifikasi. Dalam pengujian deteksi terdapat 1 pengujian, yaitu pengujian min_neiughbors,
sedangkan pengujian klasifikasi terdapat 3 pengujian, meliputi perbandingan data, hidden layer,
epsilon.
3. 1 Pengujian pendeteksian kendaraan
Tahapan deteksi ini berfungsi untuk membedakan antara obyek yang dideteksi dengan
obyek yang lain misalnya saja jalan, lampu jalan, pohon dll. Pada tahapan deteksi sistem
mencoba mendeteksi keberadaan kendaraan tanpa memperhatikan jenisnya. Seperti yang sudah
peneliti jelaskan sebelum memasuki sub-bab ini bahwa metode yang digunakan untuk deteksi
berbeda dengan metode yang digunakan pada klasifikasi. Pada tahap deteksi peneliti
menggunakan haar cascade classifier. Data pelatihan terbagi menjadi dua bagian pada setiap
sistem yaitu 1667.xml(1667 posistive dan 5000 negative) dan 2500.xml(2500 positive dan 5000
negative). Contoh frame pengujian yang akan dideteksi akan ditunjukkan pada Gambar 6.
Gambar 6 Frame pengujian deteksi
3. 1.1 Pengujian menggunakan parameter minimal neighbours
Pengujian pendeteksian kendaraan dengan menggunakan parameter min_neighbors
untuk mencari nilai parameter min_neighbors yang terbaik untuk sistem ini. Pada pengujian
dilakukan dengan konfigurasi dimana parameter min_neighbours divariasikan nilainya, yaitu 3,
4, dan 5. Sedangkan parameter yang lain tetap dengan nilai default. Pengujian dilakukan dengan
cara mendeteksi kendaraan dengan variasi nilai min_neigbours yang diubah. Setelah didapatkan
3 nilai dengan tingkat keberhasilan tertinggi dengan variasi min_neighbours sebagai parameter
yang diubah. Hasil Pengujian pendeteksian kendaraan akan ditunjukkan pada Tabel 1.
Tabel 1 Hasil pengujian deteksi dengan parameter minimal neoghbours
jumlah data
minimal neighbours
1667 positive dan 5000
negative
2500 positive dan 5000
negative
92.31%
90.94%
90.91%
92.67%
92.28%
91.95%
3
4
5
Berdasarkan data yang disajikan, dapat dilihat bahwa min_neighbours terbaik dari
variasi ketiga nilai tersebut adalah 3. Hal ini bisa terjadi karena saat klasifikasi fitur jika persegi
lebih dari jumlah persegi (min_neighbours) maka kendaraan tersebut terdeteksi. Hal ini juga
dibantu dengan adanya Adaboost machine learning dengan menggunakan algoritma ini setiap
fitur yang terdeteksi bukan kendaraan maka akan diabaikan oleh sistem, sedangkan pada fitur
yang masih terdeteksi sebagai fitur kendaraan maka akan dilanjutkan sampai selesai pengecekan
dan jika sudah selesai dilakukan pengecekan dan dinyatakan sebagai kendaraan maka akan
ditandai dengan rectangle (kotak berwarna hijau). Dari hasil pengujian yang memvariasikan
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
145
banyaknya dataset yang digunakan untuk training Haar cascade tidak mempengaruhi tingkat
keberhasilan dalam pendeteksian. Hal tersebut dapat dilihat pada Tabel 1 Sehingga digunakan
variasi data training 2500 positive dan 5000 negative yang memberikan tingkat accuracy yang
lebih baik yaitu 92.67%. Data yang dihasilkan dari proses deteksi akan digunakan untuk proses
klasifikasi berupa citra cropping yang disimpan dalam folder tertentu.
3. 2 Pengujian klasifikasi kendaraan
Tahap klasifikasi ini berfungsi untuk membagi kendaraan menjadi tiga jenis yaitu
mobil, bus, dan truk. Sebelum dilakukan proses pengujian. Dilakukan proses pelatihan untuk
menentukan parameter default yang akan digunakan. Tujuan dari pelatihan jaringan adalah
keseimbangan antara kemampuan dan generalisasi. Multilayer perceptron diharapkan tidak
hanya baik dalam memprediksi dengan masukan set training, akan tetapi juga baik dalam
memprediksi set testing. Citra-citra testing merupakan hasil cropping dari hasil pendeteksian
yang dilakukan oleh sistem. Proses trial and error mendapatkan parameter default diantarannya
Hidden layer: 50, Epsilon: 0.001, Iterasi: 1000, Bp_scale: 0.1, Bp_moment_scale: 0.1. Contoh
frame pengujian yang didapatkan dari hasil cropping berupa citra mobil yang ditunjukkan pada
Gambar 7.
Gambar 7 Citra cropping mobil
Citra tesebut didapatkan saat proses deteksi, dengan menggunakan fungsi
detectmultiscale sistem akan menandai kendaraan dengan rectangle berwarna hijau. Setelah
ditandai dengan rectangle sistem akan melakukan proses cropping. Dengan contoh citra
cropping bus yang akan ditunjukkan pada Gambar 8.
Gambar 8 Citra cropping bus
Citra cropping berukuran 64 x 64 pixel. Dikarenakan pelatihan sistem menggunakan
citra 64x64 pixel, maka sistem akan diuji dengan citra yang sama ukurannya. Contoh citra
cropping truk yang akan ditunjukkan pada Gambar 9.
Gambar 9 Citra cropping truk
3. 2.1 Pengujian parameter perbandingan data
Tahap pengujian pertama ialah mencari perbandingan jumlah data dengan accuracy
yang paling baik. Perbandingan jumlah data disini dibagi menjadi 3 berdasarkan jumlah data
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
146
ISSN: 2088-3714
training, yaitu rendah (jumlah data training < 1000), sedang (1000 < jumlah data training <
2000), dan tinggi (jumlah data training > 2000). Balance data merupakan pembagian kelas yang
jumlah tiap jenisnya sama dengan yang lain, sedangkan imbalance data merupakan pembagian
kelas yang jumlah tiap jenisnya berbeda satu dengan yang lainnya. Sistem pelatihan pertamatama akan dilatih dengan ke enam data training dengan menggunakan parameter-parameter
default yang sudah ditentukan didapatkan grafik accuracy dari ke enam data training. Dapat
dilihat hasil dari pengujian ini pada Tabel 2.
Tabel 2 Hasil accuracy dari parameter perbandingan data
Jenis kendaraan
Jumlah perbandingan data
perbandingan data 1
perbandingan data 2
perbandingan data 3
perbandingan data 4
perbandingan data 5
perbandingan data 6
Mobil
Bus
Truk
Rata-Rata
78.07%
72.01%
53.76%
67.78%
79.85%
78.15%
86.78%
77.20%
63.84%
76.57%
85.60%
86.48%
83.00%
84.28%
69.08%
80.26%
85.60%
84.06%
82.62%
77.83%
62.23%
74.87%
83.68%
82.90%
Berdasarkan data yang sudah ditampilkan pada Tabel 2, masing-masing mempunyai
tingkat accuracy berbeda-beda. Hal ini terjadi karena sistem belum mampu mengklasifikasi
secara benar. Banyaknya data yang dilatih juga bisa membebani komputasi karena data yang di
training semakin banyak.
3. 2.2 Pengujian parameter hidden layer
Tahap pengujian kedua ialah menguji sistem dengan merubah parameter jumlah neuron
pada hidden layer, apakah sistem akan merespon dengan baik sehingga didapatkan nilai
accuracy yang lebih baik dari pengujian sebelumnya. Lapisan tersembunyi atau hidden layer
berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Dalam pengujian,
hidden layer yang digunakan hanya berjumlah satu buah dan variasi neuron yang digunakan
meliputi nilai 10-100. Sedangkan parameter yang lain tetap dalam keadaan default.
Berdasarkan data yang sudah ditampilkan pada Tabel 3, jika dilihat dari pengujian
sebelumnya sistem mengalami perbaikan nilai accuracy. Dalam pengujian kali ini juga
didapatkan bahwa jumlah neuron untuk proses pelatihan bisa mempengaruhi hasil dari
klasifikasi dan semakin banyak jumlah neuron yang digunakan akan semakin membebani
komputasi, karena konsekuensi dari penggunaan hidden layer adalah pelatihan menjadi makin
sulit atau lama. Oleh karena itu dibutuhkan proses trial and error agar bisa didapatkan hasil
yang paling baik.
Tabel 3 Hasil accuracy dari parameter jumlah neuron pada hidden layer
Jenis kendaraan
Mobil
Bus
Truk
Rata-Rata
75.46%
80.66%
66.42%
63.33%
79.85%
77.86%
72.22%
71.00%
75.46%
63.57%
82.07%
92.47%
78.07%
78.80%
85.60%
85.77%
79.92%
80.59%
82.40%
71.55%
85.83%
84.35%
75.42%
71.85%
85.60%
85.08%
82.98%
79.92%
86.92%
78.80%
81.12%
85.83%
73.30%
71.33%
83.68%
82.90%
78.37%
77.17%
81.59%
71.31%
Jumlah neuron
10
20
30
40
50
60
70
80
90
100
3. 2.3 Pengujian parameter epsilon
Tahap pengujian ketiga ialah menguji sistem dengan merubah parameter epsilon,
apakah sistem akan merespon dengan baik sehingga didapatkan nilai accuracy. Dengan
menggunakan perbandingan data dan hidden layer yang sudah ditentukan. Epsilon atau yang
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
147
ISSN: 2088-3714
IJEIS
biasa disebut dengan error minimum merupakan salah satu kondisi pemberhentian training.
Variasi epsilon yang digunakan meliputi nilai 0.1-0.00001, sistem akan melakukan pelatihan
dengan merubah parameter epsilon. Proses penghentian training dalam pengenalan pola
mempunyai 2 cara. Cara pertama dengan menggunakan epsilon dan cara kedua menggunakan
iterasi. Jika salah satu sudah dianggap melewati batas yang diberikan sistem proses training
akan berhenti. Jaringan dapat diuji secara terus menerus hingga semua pola pelatihan dapat
dikenali. Akan tetapi itu tidak menjamin jaringan akan mampu mengenali pola pengujian
dengan tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga kesalahan atau error
pelatihan bernilai 0. Sedangkan parameter yang lain tetap dalam keadaan default. Hasil
pengujian akan diperlihatkan pada Tabel 4.
Tabel 4 Hasil accuracy dari parameter epsilon
Jenis kendaraan
Mobil
Bus
Truk
Rata-Rata
80.57%
80.78%
82.92%
83.20%
81.58%
90.74%
88.15%
91.51%
93.56%
93.56%
84.16%
85.82%
84.69%
85.22%
83.98%
85.16%
84.92%
86.37%
87.33%
86.37%
epsilon
0.1
0.01
0.001
0.0001
0.00001
Berdasarkan data yang disajikan dari ketiga pengujian, masing-masing mempunyai nilai
accuracy rata-rata yang berbeda-beda. Pada pengujian ini juga membuktikan bahwa semakin
kecil nilai error maksimum atau epsilon tidak menjamin sistem akan mengklasifikasi dengan
baik contohnya hasil accuracy yang paling baik adalah ketika epsilon bernilai 0.01. Setelah
melihat hasil yang didapatkan, sistem belum mampu mengklasifikasi kendaraan dengan baik.
Hal ini terjadi karena sistem belum menemukan pemodelan yang pas untuk mengklasifikasikan
kendaraan sesuai jenisnya.Hal ini disebabkan sistem masih banyak melakukan kesalahan
klasifikasi jenis kendaraan, yang seharusnya pada data real adalah bus tetapi dikenali oleh
sistem sebagai mobil.
4. KESIMPULAN
Berdasarkan hasil penelitian pemrosesan citra klasifikasi jenis kendaraan dan tahap
pengujian sekaligus pembahasan yang telah dilakukan, maka dapat diambil beberapa
kesimpulan sebagai berikut :
1.
Kombinasi ekstraksi ciri Local Binary Pattern dan Multilayer Perceptron telah berhasil
mengklasifikasikan kendaraan berdasarkan 3 jenis pengelompokkan yaitu mobil, bus,
dan truk.
2.
Sistem pendeteksian dengan menggunakan metode Haar cascade classifier memiliki
tingkat accuracy yang baik dalam mendeteksi kendaraan dengan variasi terbaik adalah
nilai min_neighbour 3 dan perbandingan data 2500 positive x 5000 negative.
3.
Penggunaan jumlah data yang akan ditraining pada proses klasifikasi akan sangat
mempengaruhi kinerja dari sistem.
4.
Pada kasus ini dibutuhkan trial and error untuk mendapatkan hasil yang baik pada
beberapa parameter, seperti pada parameter hidden layer dan epsilon
5.
Presentase keberhasilan prose klasifikasi jenis kendaraan pada setiap frame, tergantung
pada hasil deteksi dan pemilihan fitur yang dapat mewakili tiap jenis kendaraan yang
akan digunakan pada proses pengklasifikasian serta jumlah sampel data pada proses
pelatihan.
5. SARAN
Beberapa hal yang perlu disempurnakan sehingga perlu dilakukan penelitian lebih lanjut
untuk memperbaiki kualitas sistem klasifikasi jenis kendaraan dalam penelitian ini :
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
148
1.
2.
3.
4.
5.
6.
ISSN: 2088-3714
Pengujian harus memperbanyak proses trial and error untuk mendapatkan hasil yang
lebih optimal pada proses pelatihan.
Menambah pengujian berupa seberapa besar pengaruh intensitas cahaya pada frame
citra terhadap hasil deteksi.
Menambah variasi data training yang lebih banyak dan berbagai parameter agar bisa
mendapatkan proses klasifikasi yang lebih akurat.
Menggunakan algoritma atau metode yang lain untuk ekstraksi fitur setiap kendaraaan
sehingga dapat membedakan satu jenis kendaran dengan jenis kendaraan lainnya secara
lebih jelas.
Menggunakan perangkat pengolah data (computer / laptop) yang mempunyai performa
lebih dari perangkat yang digunakan dalam penelitian ini agar proses olah data bisa
lebih baik dan lancar.
Menerapkan sistem ini kedalam video, karena dalam penelitian ini hanya menggunakan
frame citra keadaaan jalan tol.
DAFTAR PUSTAKA
[1] Candradewi, I., 2015, Pemrosesan Video untuk Klasifikasi Kendaraan Berbasis Support
Vector Machine, Tesis, Pasca Sarjana Ilmu Komputer, Universitas Gadjah Mada,
Yogyakarta.
[2] Wang, G., Xiao, D., dan Gu, J., 2008, Review on Vehicle Detection Based on Video for
Traffic Surveillance, Proceedings of the IEEE International Conference on Automation and
Logistics, Qingdao, China, 2961 –2966.
[3] Syndhuwardhana, F., 2010, Perancangan Pengaturan Sistem Traffic Light dengan Webcam
Dinamis, Skripsi, Universitas Katolik Soegijarpranata, Semarang.
[4] Handayani, A.M., 2014, Sistem Penghitung Jumlah Kendaraan Ringan Roda Empat Pada
Jalan Raya dengan Metode Haar Cascade Classifier dan Camshift, Tesis, Universitas Gadjah
Mada, Yogyakarta.
[5] Culjak, I., Abram, D., Pribanic, T., Dzapo, H. dan Cifrek, M., 2012, A brief introduction to
OpenCV, MIPRO, 2012 Proceedings of the 35th International Convention, Croatia.
[6] Nagataries, D., Hardiristanto, S. dan Purnomo, M.H., 2012, Deteksi Obyek pada Citra
Digital Menggunakan Algoritma Genetika untuk Studi Kasus Sel Sabit,
http://digilib.its.ac.id/ITS-paper-22021120001182/21993, diakses tanggal 23 Oktober 2016.
[7] Latifaf, D.A., Bambang, H. dan Wibowo, T.A., 2011, Klasifikasi Jenis Mobil Menggunakan
Metode Backpropagation dan Deteksi Tepi Canny, Skripsi, Universitas Telkom, Bandung.
[8] Viola, P. dan Michael, J.J., 2004, Robust Real-Time Face Detection, Internasional journal
Of Computer Vision, 57(2), 137-154.
[9] Trefny, J. dan Matas, J., 2010, Extebded Set of Local Binary Patterns for rapid Object
Detection, Computer Vision Winter Workshop Februari 3-5, Libor Špacek and Vojtech
Fran.
[10] Puspitaningrum, D., 2006, Pengantar Jaringan Syaraf Tiruan, Edisi 1, Yogyakarta, ANDI.
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
ISSN: 2088-3714
139
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra
Digital dengan Metode Multilayer Perceptron
Muhammad Irfan*1, Bakhtiar Alldino Ardi Sumbodo2 , Ika Candradewi3
Program Studi Elektronika dan Instrumentasi, FMIPA UGM, Yogyakarta, Indonesia
2,3
Departemen Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta, Indonesia
e-mail: *1ipan.elins12@gmail.com, 2b.alldino.as@ugm.ac.id, 3ika.candradewi@gmail.com
1
Abstrak
Perkembangan video sensor dan hardware dapat digunakan dalam pengembangan
sistem pemantauan lalu lintas berbasis vision. Karena dapat menyediakan informasi seputar
kendaraan yang melintas agar pemantuan dengan memanfaatkan kamera dapat dilakukan
secara otomatis. Dibutuhkan sistem pengolahan yang dapat memberikan beberapa informasi
terkait kondisi lalu lintas. Salah satu pendekatannya adalah memanfaatkan pengolahan citra
digital.
Penelitian ini terdiri dari 2 tahapan pengolahan citra digital yaitu proses deteksi dan
klasifikasi. Proses deteksi menggunakan Haar Cascade classifier dengan data training berupa
citra kendaraan dan data uji berupa citra keadaan di jalan tol yang diambil secara acak.
Sementara, proses klasifikasi menggunakan Multilayer Perceptron dengan memanfaatkan hasil
dari deteksi yang diproses. Klasifikasi kendaraannya di bagi menjadi 3 tipe kendaraan yaitu
Mobil, Bus, dan Truk. Lalu klasifikasi dievaluasi dengan parameter accuracy.
Hasil pengujian dalam proses deteksi kendaraan menunjukkan accuracy sebesar 92,67%.
Sementara itu, proses klasifikasi dilakukan dengan tahap trial and error untuk mengevaluasi
parameter yang telah ditentukan. Hasil penelitian menunjukkan sistem klasifikasi memiliki ratarata nilai accuracy sebesar 87,60%.
Kata kunci— Kendaraan, Deteksi, Haar, Cascade, Klasifikasi, MLP
Abstract
The evolution of video sensors and hardware can be used for developing traffic
monitoring system vision based. It can provide information about vehicle passing by utilizing
the camera, so that monitoring can be done automatically. It is needed for the processing
systems to provide some information regarding traffic conditions. One such approach is to
utilize digital image processing.
This research consisted of two phases image processing, namely the process of
detection and classification. The process of detection using Haar Cascade Classifier with the
training data image form the vehicle and data test form the image state of toll road drawn at
random. While, Multilayer Perceptron classification process uses by utilizing the result of the
detection process. Vehicle classification is divided into three types, namely car, bus and truck.
Then the classification parameters were evaluated by accuracy.
The test results vehicle detection indicate the value of accuracy is 92.67. Meanwhile,
the classification process is done with phase trial and error to evaluate the parameters that
have been determined. Results of the study show the classification system has an average value
of the accuracy is 87.60%.
Keywords— Vehicle, Detection, Haar, Cascade, Classification, MLP
Received January 23th,2017; Revised February 27th, 2017; Accepted October 30th, 2017
140
ISSN: 2088-3714
1. PENDAHULUAN
P
erkembangan video sensor dan hardware pada pemrosesan video membuka peluang besar
bagi pengembangan teknologi sistem pemantauan lalu lintas berbasis vision, karena mampu
menyediakan informasi yang lebih detail untuk kebutuhan analisis[1]. Informasi yang
didapatkan bisa digunakan untuk memecahkan permasalahan yang biasa kita hadapi dijalan
seperti macet atau penumpukkan kendaraan. Berbagai cara telah dilakukan, contohnya dengan
menggunakan magnetic loop detector dan radar sebagai alat pemantuan lalu lintas, akan tetapi
alat ini memiliki keterbatasan [2].
Oleh karena itu dibutuhkan sistem yang mampu untuk mengatasi kondisi-kondisi
tersebut salah satunya dengan mengembangkan teknologi Area Traffic Control System (ATCS),
tujuan dari penerapan ATCS ini adalah untuk mempermudah kerja manusia dalam mengatur
lalu lintas pada setiap jalur yang ada dan dapat meminimalisir masalah human error dalam
pengaturan lalu lintas [3]. ATCS yang disinkronkan dengan kamera yang ada di jalan-jalan
dapat membantu pemantauan lalu lintas. Memanfaatkan kamera tersebut secara otomatis agar
dapat memberikan beberapa informasi seputar kondisi lalu lintas di jalan [4]. Salah satu
pendekatannya adalah memanfaatkan pengolahan citra digital. Pengolahan citra digital adalah
ilmu pemrograman computer untuk memproses dan akhirnya memahami gambar dan video atau
membuat computer dapat melihat [5].
Pemantauan lalu lintas yang serba otomatis harus melewati beberapa tahapan, seperti
deteksi dan klasifikasi. Deteksi obyek dalam pengolahan citra digital adalah suatu proses yang
digunakan untuk menentukan keberadaan obyek tertentu di dalam suatu citra digital [6].
Pendeteksian benda yang dikembangkan saat ini berdasarkan jenis suatu obyek [7]. Proses
pendeteksian ini berfungsi untuk membedakan kendaraan dan non kendaraan dalam satu citra,
yang hasilnya nanti akan digunakan untuk proses klasifikasi. Penelitinan ini bertujuan untuk
mengimplementasikan pengolahan citra digital untuk membuat sebuah sistem yang mampu
mengklasifikasi kendaraan, berdasarkan jenisnya.
2. METODE PENELITIAN
2. 1 Analisis Sistem
Rancangan sistem menggunakan perangkat lunak (software) dengan pengolahan citra
berdasarkan library OpenCV. Perancangan sistem ini menggunakan metode Haar cascade
dalam mendeteksi obyek dan menggunakan Multilayer Perceptron untuk klasifikasinya.
Haar Cascade Classifier ini memiliki kelebihan yaitu komputasinya sangat cepat, karena
hanya bergantung pada jumlah pixel dalam persegi dengan nilai dari sebuah gambar [8].
Metode ini merupakan metode yang menggunaan statistical model (classifier). Ada beberapa
langkah pendekatan untuk mendeteksi obyek, yaitu :
a. Training data.
b. Fitur segi empat sederhana yang disebut fitur haar.
c. Integral image untuk pendeteksian fitur secara tepat.
d. Pengklasifikasian bertingkat (Cascade Classifier).
Lalu dalam proses klasifikasinya, sistem menggunakan Local Binary Pattern. Local
Binary Pattern atau LBP adalah teknik ekstraksi fitur berbasis pada analisis tekstur
mentransformasikan sebuah citra kedalam table statistic integer, menggunakan komputasi mean
efisien[9]. Dilanjutkan dengan proses pelatihan Multilayer Perceptron, Multilayer Perceptron
adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan
oleh bobot-bobot penghubung neuron-neuron tersebut disusun dalam lapisan-lapisan yang
terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer),
dan satu lapisan output (output layer) [10]. Lapisan input menerima sinyal dari luar, kemudian
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
141
melewatkannya ke lapisan tersembunyi pertama yang akan diteruskan sehingga akhirnya
mencapai lapisan output. Penulis menggunakan metode tersebut dikarenakan ingin mencoba
apakah Haar Cascade dan Multilayer Perceptron menjadi salah satu pilihan metode yang
akurasinya baik untuk mendeteksi dan mengklasifikasi. Secara keseluruhan, blok diagram
sistem dapat dilihat pada Gambar 1.
Gambar 1 Diagram blok sistem keseluruhan
Pada blok diagram sistem Gambar 1 didapatkan alur sistem yaitu pertama citra
kendaraan diambil dari video lalu lintas yang ada di jalan tol, lalu diproses menjadi kumpulankumpulan gambar yang digunakan untuk dataset dan frame pengujian. Lalu citra akan melewati
tahap pre-processing berupa perbaikan kualitas citra. Setelah itu citra akan masuk taha ekstraksi
ciri untuk membedakan kendaran dan non kendaraan dengan menggunakan metode Haar
cascade clasiffier. Dilanjutkan dengan tahap deteksi, sistem akan melakukan pelatihan dan
pengujian untuk mendapatkan hasil deteksi berupa kendaraan. Setelah didapatkan hasil dari
proses deteksi citra akan memasuki proses klasifikasi kendaraan, dimana kendaraan akan dibagi
menjadi 3 jenis yaitu (mobil, bus, truk), karena sistem ini dirancang untuk mengelompokkan
ketiga jenis kendaraan tersebut sesuai jenisnya.
2. 2 Rancangan Arsitektur Sistem
Penulisan ini dirancang dengan usulan penulis menjadi 2 tahap yaitu proses pelatihan
(training) dan pengujian (testing) untuk masing-masing tahap deteksi dan tahap klasifikasi.
2. 2.1 Rancangan Sistem Deteksi
Proses deteksi menggunakan metode Haar features untuk ekstraksi ciri dan Cascade
Classifier untuk membedakan kendaraan dan yang bukan kendaraan. Sebelum proses deteksi
dapat dilakukan, terlebih dahulu dilakukan tahap pelatihan/training untuk membentuk
pemodelan antara kendaraan dan yang bukan kendaraan. Proses pelatihan ini dimulai dari
pengelompokan kendaraan dan yang bukan kendaraan. Jika sudah dikelompokkan maka ada dua
kelompok besar, sebut saja positif (kendaraan) dan negatif (bukan kendaraan). Setelah itu proses
berlanjut ke proses mendapatkan ekstraksi ciri dari citra positif dan negatif yang kemudian
disimpan dalam format file XML. Proses deteksi akan ditunjukkan pada Gambar 2.
Lalu dilanjutkan dengan perancangan sistem selanjutnya, yaitu tahap deteksi pengujian.
Pengujian ini dilakukan pada sistem dengan menggunakan citra frame kendaraan yang berada
dijalan tol dengan tujuan mendeteksi kendaraan yang ada didalam frame tersebut. Berawal dari
proses pre-processing yang kemudian citra frame tersebut di prediksi dengan membandingkan
pemodelan yang sudah ada. Dengan menggunakan algoritma detectmultiscale, sistem akan
mulai untuk mendeteksi kendaraan. Jika sistem mengenali obyek tersebut kendaraan, maka
obyek akan di rectangle. Sistem akan memulai pengenalan pada area yang telah ditentukan.
Citra yang terdeteksi, kemudian dicrop dan disimpan kedalam direktori file sebagai hasil dari
sistem deteksi tahap pengujian. Tahap pengujian deteksi dapat dilakukan dengan diagram alir
seperti pada Gambar 3.
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
142
ISSN: 2088-3714
Gambar 2 Diagram alir deteksi tahap pelatihan
Gambar 3 Diagram alir sistem deteksi tahap pengujian
2. 2.2 Rancangan Sistem Klasifikasi
Klasifikasi dalam sistem ini menggunakan metode Multilayer Perceptron (MLP).
Metode ini akan mengelompokkan tiga jenis kendaraan (mobil, bus, truk). Sebelum proses
klasifikasi dapat dilakukan, sistem akan melewati proses ekstraksi ciri citra dataset (3 jenis
kendaraan) menggunakan fitur local binary pattern (LBP) setelah didapatkan tiga ciri tersebut
dilanjutkan dengan melabeli dan training dataset menggunakan MLP untuk membentuk
pemodelan. Tahap pelatihan klasifikasi dapat dilakukan dengan tahapan seperti pada Gambar 4.
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
143
Gambar 4 Diagram alir pelatihan klasifikasi
Bentuk pemodelan tahap pelatihan klasifikasi berupa format XML file yang disimpan
kedalam direktori untuk digunakan sebagai pembanding pada tahap pengujian klasifikasi.
Proses training dan pengujian MLP dilakukan dengan menggunakan citra yang terlebih dahulu
dipisahkan, dimana proses pengujian pada MLP dilakukan dengan citra yang sebelumnya
tidak dijumpai oleh MLP pada proses training untuk melihat tingkat kemampuan sistem
klasifikasi. Sistem pengujian memproses citra cropping untuk mendapatkan ciri-ciri dari citra
dan kemudian dibandingkan dengan pemodelan MLP yang sudah tersimpan dari tahap pelatihan
klasifikasi. Setelah itu sistem memprediksi setiap citra cropping untuk dikelompokkan ke dalam
salah satu kelas kendaraan (mobil, bus, truk). Tahap pengujian menggunakan MLP dapat
dilakukan dengan tahapan seperti pada Gambar 5.
Gambar 5 Diagram alir sistem klasifikasi tahap pengujian
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
144
ISSN: 2088-3714
3. HASIL DAN PEMBAHASAN
Pada bab ini akan dibahas mengenai hasil dari pengujian sistem serta pembahasannya.
Secara garis besar dibagi menjadi dua bagian yaitu pengujian pendeteksian dan pengujian
klasifikasi. Dalam pengujian deteksi terdapat 1 pengujian, yaitu pengujian min_neiughbors,
sedangkan pengujian klasifikasi terdapat 3 pengujian, meliputi perbandingan data, hidden layer,
epsilon.
3. 1 Pengujian pendeteksian kendaraan
Tahapan deteksi ini berfungsi untuk membedakan antara obyek yang dideteksi dengan
obyek yang lain misalnya saja jalan, lampu jalan, pohon dll. Pada tahapan deteksi sistem
mencoba mendeteksi keberadaan kendaraan tanpa memperhatikan jenisnya. Seperti yang sudah
peneliti jelaskan sebelum memasuki sub-bab ini bahwa metode yang digunakan untuk deteksi
berbeda dengan metode yang digunakan pada klasifikasi. Pada tahap deteksi peneliti
menggunakan haar cascade classifier. Data pelatihan terbagi menjadi dua bagian pada setiap
sistem yaitu 1667.xml(1667 posistive dan 5000 negative) dan 2500.xml(2500 positive dan 5000
negative). Contoh frame pengujian yang akan dideteksi akan ditunjukkan pada Gambar 6.
Gambar 6 Frame pengujian deteksi
3. 1.1 Pengujian menggunakan parameter minimal neighbours
Pengujian pendeteksian kendaraan dengan menggunakan parameter min_neighbors
untuk mencari nilai parameter min_neighbors yang terbaik untuk sistem ini. Pada pengujian
dilakukan dengan konfigurasi dimana parameter min_neighbours divariasikan nilainya, yaitu 3,
4, dan 5. Sedangkan parameter yang lain tetap dengan nilai default. Pengujian dilakukan dengan
cara mendeteksi kendaraan dengan variasi nilai min_neigbours yang diubah. Setelah didapatkan
3 nilai dengan tingkat keberhasilan tertinggi dengan variasi min_neighbours sebagai parameter
yang diubah. Hasil Pengujian pendeteksian kendaraan akan ditunjukkan pada Tabel 1.
Tabel 1 Hasil pengujian deteksi dengan parameter minimal neoghbours
jumlah data
minimal neighbours
1667 positive dan 5000
negative
2500 positive dan 5000
negative
92.31%
90.94%
90.91%
92.67%
92.28%
91.95%
3
4
5
Berdasarkan data yang disajikan, dapat dilihat bahwa min_neighbours terbaik dari
variasi ketiga nilai tersebut adalah 3. Hal ini bisa terjadi karena saat klasifikasi fitur jika persegi
lebih dari jumlah persegi (min_neighbours) maka kendaraan tersebut terdeteksi. Hal ini juga
dibantu dengan adanya Adaboost machine learning dengan menggunakan algoritma ini setiap
fitur yang terdeteksi bukan kendaraan maka akan diabaikan oleh sistem, sedangkan pada fitur
yang masih terdeteksi sebagai fitur kendaraan maka akan dilanjutkan sampai selesai pengecekan
dan jika sudah selesai dilakukan pengecekan dan dinyatakan sebagai kendaraan maka akan
ditandai dengan rectangle (kotak berwarna hijau). Dari hasil pengujian yang memvariasikan
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
IJEIS
ISSN: 2088-3714
145
banyaknya dataset yang digunakan untuk training Haar cascade tidak mempengaruhi tingkat
keberhasilan dalam pendeteksian. Hal tersebut dapat dilihat pada Tabel 1 Sehingga digunakan
variasi data training 2500 positive dan 5000 negative yang memberikan tingkat accuracy yang
lebih baik yaitu 92.67%. Data yang dihasilkan dari proses deteksi akan digunakan untuk proses
klasifikasi berupa citra cropping yang disimpan dalam folder tertentu.
3. 2 Pengujian klasifikasi kendaraan
Tahap klasifikasi ini berfungsi untuk membagi kendaraan menjadi tiga jenis yaitu
mobil, bus, dan truk. Sebelum dilakukan proses pengujian. Dilakukan proses pelatihan untuk
menentukan parameter default yang akan digunakan. Tujuan dari pelatihan jaringan adalah
keseimbangan antara kemampuan dan generalisasi. Multilayer perceptron diharapkan tidak
hanya baik dalam memprediksi dengan masukan set training, akan tetapi juga baik dalam
memprediksi set testing. Citra-citra testing merupakan hasil cropping dari hasil pendeteksian
yang dilakukan oleh sistem. Proses trial and error mendapatkan parameter default diantarannya
Hidden layer: 50, Epsilon: 0.001, Iterasi: 1000, Bp_scale: 0.1, Bp_moment_scale: 0.1. Contoh
frame pengujian yang didapatkan dari hasil cropping berupa citra mobil yang ditunjukkan pada
Gambar 7.
Gambar 7 Citra cropping mobil
Citra tesebut didapatkan saat proses deteksi, dengan menggunakan fungsi
detectmultiscale sistem akan menandai kendaraan dengan rectangle berwarna hijau. Setelah
ditandai dengan rectangle sistem akan melakukan proses cropping. Dengan contoh citra
cropping bus yang akan ditunjukkan pada Gambar 8.
Gambar 8 Citra cropping bus
Citra cropping berukuran 64 x 64 pixel. Dikarenakan pelatihan sistem menggunakan
citra 64x64 pixel, maka sistem akan diuji dengan citra yang sama ukurannya. Contoh citra
cropping truk yang akan ditunjukkan pada Gambar 9.
Gambar 9 Citra cropping truk
3. 2.1 Pengujian parameter perbandingan data
Tahap pengujian pertama ialah mencari perbandingan jumlah data dengan accuracy
yang paling baik. Perbandingan jumlah data disini dibagi menjadi 3 berdasarkan jumlah data
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
146
ISSN: 2088-3714
training, yaitu rendah (jumlah data training < 1000), sedang (1000 < jumlah data training <
2000), dan tinggi (jumlah data training > 2000). Balance data merupakan pembagian kelas yang
jumlah tiap jenisnya sama dengan yang lain, sedangkan imbalance data merupakan pembagian
kelas yang jumlah tiap jenisnya berbeda satu dengan yang lainnya. Sistem pelatihan pertamatama akan dilatih dengan ke enam data training dengan menggunakan parameter-parameter
default yang sudah ditentukan didapatkan grafik accuracy dari ke enam data training. Dapat
dilihat hasil dari pengujian ini pada Tabel 2.
Tabel 2 Hasil accuracy dari parameter perbandingan data
Jenis kendaraan
Jumlah perbandingan data
perbandingan data 1
perbandingan data 2
perbandingan data 3
perbandingan data 4
perbandingan data 5
perbandingan data 6
Mobil
Bus
Truk
Rata-Rata
78.07%
72.01%
53.76%
67.78%
79.85%
78.15%
86.78%
77.20%
63.84%
76.57%
85.60%
86.48%
83.00%
84.28%
69.08%
80.26%
85.60%
84.06%
82.62%
77.83%
62.23%
74.87%
83.68%
82.90%
Berdasarkan data yang sudah ditampilkan pada Tabel 2, masing-masing mempunyai
tingkat accuracy berbeda-beda. Hal ini terjadi karena sistem belum mampu mengklasifikasi
secara benar. Banyaknya data yang dilatih juga bisa membebani komputasi karena data yang di
training semakin banyak.
3. 2.2 Pengujian parameter hidden layer
Tahap pengujian kedua ialah menguji sistem dengan merubah parameter jumlah neuron
pada hidden layer, apakah sistem akan merespon dengan baik sehingga didapatkan nilai
accuracy yang lebih baik dari pengujian sebelumnya. Lapisan tersembunyi atau hidden layer
berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Dalam pengujian,
hidden layer yang digunakan hanya berjumlah satu buah dan variasi neuron yang digunakan
meliputi nilai 10-100. Sedangkan parameter yang lain tetap dalam keadaan default.
Berdasarkan data yang sudah ditampilkan pada Tabel 3, jika dilihat dari pengujian
sebelumnya sistem mengalami perbaikan nilai accuracy. Dalam pengujian kali ini juga
didapatkan bahwa jumlah neuron untuk proses pelatihan bisa mempengaruhi hasil dari
klasifikasi dan semakin banyak jumlah neuron yang digunakan akan semakin membebani
komputasi, karena konsekuensi dari penggunaan hidden layer adalah pelatihan menjadi makin
sulit atau lama. Oleh karena itu dibutuhkan proses trial and error agar bisa didapatkan hasil
yang paling baik.
Tabel 3 Hasil accuracy dari parameter jumlah neuron pada hidden layer
Jenis kendaraan
Mobil
Bus
Truk
Rata-Rata
75.46%
80.66%
66.42%
63.33%
79.85%
77.86%
72.22%
71.00%
75.46%
63.57%
82.07%
92.47%
78.07%
78.80%
85.60%
85.77%
79.92%
80.59%
82.40%
71.55%
85.83%
84.35%
75.42%
71.85%
85.60%
85.08%
82.98%
79.92%
86.92%
78.80%
81.12%
85.83%
73.30%
71.33%
83.68%
82.90%
78.37%
77.17%
81.59%
71.31%
Jumlah neuron
10
20
30
40
50
60
70
80
90
100
3. 2.3 Pengujian parameter epsilon
Tahap pengujian ketiga ialah menguji sistem dengan merubah parameter epsilon,
apakah sistem akan merespon dengan baik sehingga didapatkan nilai accuracy. Dengan
menggunakan perbandingan data dan hidden layer yang sudah ditentukan. Epsilon atau yang
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148
147
ISSN: 2088-3714
IJEIS
biasa disebut dengan error minimum merupakan salah satu kondisi pemberhentian training.
Variasi epsilon yang digunakan meliputi nilai 0.1-0.00001, sistem akan melakukan pelatihan
dengan merubah parameter epsilon. Proses penghentian training dalam pengenalan pola
mempunyai 2 cara. Cara pertama dengan menggunakan epsilon dan cara kedua menggunakan
iterasi. Jika salah satu sudah dianggap melewati batas yang diberikan sistem proses training
akan berhenti. Jaringan dapat diuji secara terus menerus hingga semua pola pelatihan dapat
dikenali. Akan tetapi itu tidak menjamin jaringan akan mampu mengenali pola pengujian
dengan tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga kesalahan atau error
pelatihan bernilai 0. Sedangkan parameter yang lain tetap dalam keadaan default. Hasil
pengujian akan diperlihatkan pada Tabel 4.
Tabel 4 Hasil accuracy dari parameter epsilon
Jenis kendaraan
Mobil
Bus
Truk
Rata-Rata
80.57%
80.78%
82.92%
83.20%
81.58%
90.74%
88.15%
91.51%
93.56%
93.56%
84.16%
85.82%
84.69%
85.22%
83.98%
85.16%
84.92%
86.37%
87.33%
86.37%
epsilon
0.1
0.01
0.001
0.0001
0.00001
Berdasarkan data yang disajikan dari ketiga pengujian, masing-masing mempunyai nilai
accuracy rata-rata yang berbeda-beda. Pada pengujian ini juga membuktikan bahwa semakin
kecil nilai error maksimum atau epsilon tidak menjamin sistem akan mengklasifikasi dengan
baik contohnya hasil accuracy yang paling baik adalah ketika epsilon bernilai 0.01. Setelah
melihat hasil yang didapatkan, sistem belum mampu mengklasifikasi kendaraan dengan baik.
Hal ini terjadi karena sistem belum menemukan pemodelan yang pas untuk mengklasifikasikan
kendaraan sesuai jenisnya.Hal ini disebabkan sistem masih banyak melakukan kesalahan
klasifikasi jenis kendaraan, yang seharusnya pada data real adalah bus tetapi dikenali oleh
sistem sebagai mobil.
4. KESIMPULAN
Berdasarkan hasil penelitian pemrosesan citra klasifikasi jenis kendaraan dan tahap
pengujian sekaligus pembahasan yang telah dilakukan, maka dapat diambil beberapa
kesimpulan sebagai berikut :
1.
Kombinasi ekstraksi ciri Local Binary Pattern dan Multilayer Perceptron telah berhasil
mengklasifikasikan kendaraan berdasarkan 3 jenis pengelompokkan yaitu mobil, bus,
dan truk.
2.
Sistem pendeteksian dengan menggunakan metode Haar cascade classifier memiliki
tingkat accuracy yang baik dalam mendeteksi kendaraan dengan variasi terbaik adalah
nilai min_neighbour 3 dan perbandingan data 2500 positive x 5000 negative.
3.
Penggunaan jumlah data yang akan ditraining pada proses klasifikasi akan sangat
mempengaruhi kinerja dari sistem.
4.
Pada kasus ini dibutuhkan trial and error untuk mendapatkan hasil yang baik pada
beberapa parameter, seperti pada parameter hidden layer dan epsilon
5.
Presentase keberhasilan prose klasifikasi jenis kendaraan pada setiap frame, tergantung
pada hasil deteksi dan pemilihan fitur yang dapat mewakili tiap jenis kendaraan yang
akan digunakan pada proses pengklasifikasian serta jumlah sampel data pada proses
pelatihan.
5. SARAN
Beberapa hal yang perlu disempurnakan sehingga perlu dilakukan penelitian lebih lanjut
untuk memperbaiki kualitas sistem klasifikasi jenis kendaraan dalam penelitian ini :
Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan... (Muhammad Irfan)
148
1.
2.
3.
4.
5.
6.
ISSN: 2088-3714
Pengujian harus memperbanyak proses trial and error untuk mendapatkan hasil yang
lebih optimal pada proses pelatihan.
Menambah pengujian berupa seberapa besar pengaruh intensitas cahaya pada frame
citra terhadap hasil deteksi.
Menambah variasi data training yang lebih banyak dan berbagai parameter agar bisa
mendapatkan proses klasifikasi yang lebih akurat.
Menggunakan algoritma atau metode yang lain untuk ekstraksi fitur setiap kendaraaan
sehingga dapat membedakan satu jenis kendaran dengan jenis kendaraan lainnya secara
lebih jelas.
Menggunakan perangkat pengolah data (computer / laptop) yang mempunyai performa
lebih dari perangkat yang digunakan dalam penelitian ini agar proses olah data bisa
lebih baik dan lancar.
Menerapkan sistem ini kedalam video, karena dalam penelitian ini hanya menggunakan
frame citra keadaaan jalan tol.
DAFTAR PUSTAKA
[1] Candradewi, I., 2015, Pemrosesan Video untuk Klasifikasi Kendaraan Berbasis Support
Vector Machine, Tesis, Pasca Sarjana Ilmu Komputer, Universitas Gadjah Mada,
Yogyakarta.
[2] Wang, G., Xiao, D., dan Gu, J., 2008, Review on Vehicle Detection Based on Video for
Traffic Surveillance, Proceedings of the IEEE International Conference on Automation and
Logistics, Qingdao, China, 2961 –2966.
[3] Syndhuwardhana, F., 2010, Perancangan Pengaturan Sistem Traffic Light dengan Webcam
Dinamis, Skripsi, Universitas Katolik Soegijarpranata, Semarang.
[4] Handayani, A.M., 2014, Sistem Penghitung Jumlah Kendaraan Ringan Roda Empat Pada
Jalan Raya dengan Metode Haar Cascade Classifier dan Camshift, Tesis, Universitas Gadjah
Mada, Yogyakarta.
[5] Culjak, I., Abram, D., Pribanic, T., Dzapo, H. dan Cifrek, M., 2012, A brief introduction to
OpenCV, MIPRO, 2012 Proceedings of the 35th International Convention, Croatia.
[6] Nagataries, D., Hardiristanto, S. dan Purnomo, M.H., 2012, Deteksi Obyek pada Citra
Digital Menggunakan Algoritma Genetika untuk Studi Kasus Sel Sabit,
http://digilib.its.ac.id/ITS-paper-22021120001182/21993, diakses tanggal 23 Oktober 2016.
[7] Latifaf, D.A., Bambang, H. dan Wibowo, T.A., 2011, Klasifikasi Jenis Mobil Menggunakan
Metode Backpropagation dan Deteksi Tepi Canny, Skripsi, Universitas Telkom, Bandung.
[8] Viola, P. dan Michael, J.J., 2004, Robust Real-Time Face Detection, Internasional journal
Of Computer Vision, 57(2), 137-154.
[9] Trefny, J. dan Matas, J., 2010, Extebded Set of Local Binary Patterns for rapid Object
Detection, Computer Vision Winter Workshop Februari 3-5, Libor Špacek and Vojtech
Fran.
[10] Puspitaningrum, D., 2006, Pengantar Jaringan Syaraf Tiruan, Edisi 1, Yogyakarta, ANDI.
IJEIS Vol. 7, No. 2, October 2017 : 139 – 148